前言：中文期刊網精心挑選了圖像識別技術的基本原理范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
圖像識別技術的基本原理范文1
關鍵詞 輪胎缺陷；計算機視覺識別；輪胎X射線檢測；算法
中圖分類號TN29 文獻標識碼A 文章編號 1674-6708（2013）95-0073-03
0 引言
目前對輪胎X射線檢測系統的圖像識別都是由人來主觀判斷的。X光機對輪胎進行掃描成像，將圖像傳輸到計算機中在顯示屏上顯示，工作人員通過對輪胎X射線圖像的識別來判斷輪胎是否有缺陷并對其缺陷進行分類，由人工來進行輪胎缺陷圖像識別受到外界的干擾較大，并且具有工作量和工作強度大的特點，這些都容易給輪胎缺陷圖像的識別帶來較大不利影響。采用計算機圖形識別技術對輪胎X射線圖像進行識別，不僅能提高工作效率，有效解決人工識別過程中帶來的問題，使識別的過程客觀化，更加科學和規范。輪胎X射線缺陷檢測系統能對其圖像進行自動處理和歸類，通過對輪胎缺陷圖像的統計，還可以建立輪胎缺陷圖像的數據庫，提高企業在輪胎生產過程中的經濟效益[1]。
國內廠商大都是用國外生產的X射線檢測產品，比較常見的品牌有德國的Collmann和YXLON等[2]。YXLON是國際上輪胎內部缺陷檢測設備的最大生產廠家，其產品具有可靠的檢測結果、快速的檢測時間、維護簡單、結構緊湊、操作簡單直觀等特點[3]。相比較國外，國內對輪胎用X光機圖像處理技術的研究不多，對于國內的輪胎制造廠商，如果想要運用輪胎缺陷圖像自動識別技術，只能向國外購買，但是價格昂貴。因此，現在國內的大部分廠商還是采用人工肉眼對輪胎X射線圖像檢測的方法進行質量判斷[4]。
1 輪胎X射線檢測裝置和結構分析
我們采用的輪胎X射線檢測圖像采集裝置為YXLON公司生產的LX-1500型輪胎X射線檢測系統，YXLON的輪胎X射線檢測系統由X射線管、U型傳感器、數字圖像轉換器、圖像處理工作站和顯示器等部分組成，該系統具有機械結構設計良好和圖像識別系統分辨率高的特點。采用該系統對輪胎進行X射線檢測時，輪胎首先通過起重機被裝載到檢測的支架上，系統操作工使用控制面板輸入合適的參數，按照設定好的參數，徑向X射線管伸進到輪胎的中部，馬鞍型的輪胎線陣列檢測器也移動相應的位置，輪胎在支架上保持勻速的轉動，從而確保了輪胎X射線檢測過程的連續性。
2輪胎X射線檢測圖像分析
由于輪胎的規格型號極其繁雜，輪胎的內部結構也是千差萬別，導致表述輪胎缺陷時沒有統一的標準，這里依據對輪胎生產質量的控制要求，結合輪胎缺陷數據分析和文獻資料參考的基礎上，將輪胎內部鋼絲簾線的缺陷特征概括為以下四類：
2.1 簾線的形狀
對于質量正常的輪胎而言，其內部的胎體鋼絲簾線分布應該是與圖像橫向平行排列的直線序列，如圖1（a）所示。當簾線彎曲時，其檢測圖像如圖1（b）所示。
2.3簾線的細節
輪胎內部鋼絲簾線的細節主要表現為鋼絲簾線上的不連續點、交叉點或者斷點。圖3（a）是簾線交叉的X射線檢測圖像，圖3（b）是簾線斷開的X射線檢測圖像。對于胎體異物而言，由于X射線投影成像的關系，異物的影像會與鋼絲簾線的影像發生重疊，如圖3（c）所示，所以胎體異物也可以歸納為簾線上的細節問題。
4 結論
本文首先介紹了輪胎X射線檢測裝置，然后對輪胎X射線檢測的圖像進行了詳細分析，并對圖像中輪胎的缺陷種類進行了分類，最后介紹了自己設計的輪胎X射線檢測缺陷識別算法，針對形狀、尺度、細節、排列四種輪胎缺陷，分別設計了相應的輪胎缺陷識別算法。
參考文獻
[1]馮霞，郝振平.X射線在輪胎邊緣檢測中的應用[J].CT理論與應用研究，2010，19（3）：61-66.
[2]徐啟蕾.輪胎X光圖像自動識別系統算法研究[D].青島：青島科技大學碩士學位論文，2006.
[3]張小麗.輪胎缺陷X光檢測圖像的處理與識別研究[D].天津：天津大學碩士學位論文，2007.
圖像識別技術的基本原理范文2
關鍵詞：羊絨羊毛 纖維檢驗
1、物理檢驗法：
1.1掃描電子顯微鏡法
掃描電子顯微鏡法的測試原理是利用細聚焦電子束在固體樣品表面逐點掃描，激發出二次電子、背散射電子、X射線等信號，經過放大后在陰極射線管上產生反映樣品表面形貌的圖像。從待測樣品中取得的短纖維片段，經鍍金膜后放入掃描電子顯微鏡中，在約1000倍的放大倍數下，通過SEM的監控器結合動物纖維鱗片結構與其他特征，利用圖像判斷纖維片段的類型，即可得到每個類型纖維的數量。其依據就是纖維表面的鱗片厚度之間的差異，如果一種纖維的鱗片厚度大于0.1155μm，則應認定為羊毛，而羊絨的鱗片厚度應該小于0.1155m。
1.2計算機圖像識別法
獲得掃描電鏡的微觀結構圖像后通過圖像采集卡輸入計算機圖像庫進行處理，圖像處理是為了突出圖像中重要的、有用的信息，淡化不必要的部分，以利于以后的分析和理解，對圖像處理過程包括灰度變換、濾波、銳化處理，抑制低頻分量，增強高頻分量，去除大量噪聲使纖維鱗片線條變得清楚。而圖像分割直接影響到對纖維進行分析識別的有效性，通過閾值定義不同部位的區域歸屬，實現目標纖維圖像和背景的分離，力求達到對圖像實施準確而有效的分割。
1.3近紅外光譜技術法
近紅外光譜（NIR）是指波長為700nm～2500nm的光譜，它主要測定的是樣品中X—H鍵（這里X代表C、N、O、S等）在中紅外區基頻振動的諧波和組合諧波吸收。首先需要利用常規分析手段獲得所選校正集樣品組分或性質的基本數據，再運用化學計量學方法建立校正模型，最終實現對未知樣本的定性或定量分析。已有研究人員應用可見-近紅外光譜鑒別山羊絨與細支綿羊毛，鑒別結果與實際相符，證明該方法可行。
1.4纖維內部結晶分析法
侯秀良等人運用廣角X-射線衍射法（WAXD）和差示掃描量熱法（DSC）對山羊絨和羊毛纖維結晶結構做了研究。他們通過對山羊絨、羊毛纖維衍射峰強度及熔融焓的比較分析，得到一個結論：山羊絨纖維的結晶度、α—結晶度高于羊毛纖維，大分子排列規整性好；羊毛纖維的結晶度、α—結晶度分別為山羊絨纖維的81.2 %和75.8 %。試驗證實通過測定纖維中大分子的結晶度來鑒別羊絨和羊毛纖維具有可行性。
1.5溶液法
溶液法是根據同一鑒別溶液中纖維卷曲伸展狀態的不同來鑒別細羊毛和羊絨纖維。羊毛的皮質層主要組成成分是正皮質和偏皮質細胞，而羊絨的皮質層主要組成成分是正皮質和間皮質細胞。另一方面，羊絨的鱗片層較細羊毛薄，溶液容易滲透到纖維皮質層，加之纖維細度較細，溶液能夠滲透整根纖維。故經同一鑒別液處理后，兩種纖維的卷曲變化發生不同：羊絨卷曲伸展，沿整根纖維方向曲率變得很小且均勻；而羊毛仍幾乎保持原卷曲形態，且曲率不均勻。借助光學顯微鏡可觀察到此伸展差異。
1.6貝葉斯方法
石先軍等人根據細羊毛與山羊絨的鱗片形狀與結構特征的不同，提出智能識別兩類纖維的方法。通過CCD 系統獲取兩類纖維的灰度圖像，采用圖像技術將灰度圖像處理成單像素寬度的二值圖，從二值圖中提取描述兩類纖維鱗片形狀特征的四個比對指標及細度、鱗片高度或密度、鱗片邊界周長和鱗片顯示面積。在樣本數據庫上基于四個比對指標的統計假設建立辨識細羊毛與山羊絨纖維的貝葉斯分類模型。仿真結果表明：該模型具有較好的纖維鑒別能力，對山羊絨纖維的識別準確度達到83%，對細羊毛則達到90%，并且隨著參數的增加模型有進一步提高鑒別精度的可能。
2、化學鑒別法
2.1燃燒法
羊毛含有大量蛋白質，燃燒時，一邊冒煙起泡一邊燃燒，伴有燒焦毛發的氣味，灰燼多，有光澤的黑色松脆塊狀。而羊絨燃燒時，情況與羊毛相似，略有不同的是，羊絨能夠迅速燃燒，呈松脆狀，一壓就碎。筆者認為此方法操作簡單，主觀性較強，對羊絨羊毛的鑒別完全依靠技術人員的檢測經驗，準確率難以達到較高程度。
2.2染色法
染色法利用了羊毛和羊絨纖維染色性能的差異。羊毛和羊絨都具有較好的染色性能，由于羊絨比表面積大，鱗片較薄，且排列較稀，染料分子易向內部擴散，故羊絨纖維比羊毛纖維的上染率高。且羊絨纖維的等電點要高于羊毛纖維，導致上染率差異：在染色開始階段，羊絨吸附染料量遠大于羊毛，上染率差異最大。根據其染色性能的差異，選用相同的染料和處方，根據得色及上染率的不同來鑒別細羊毛和羊絨。
3.生物檢測方法
3.1 SNP 在羊絨和羊毛纖維鑒別中的應用
SNP是一種利用多態性技術（SNP），通過聚合鏈式反應（PCR）的基因擴增和限制性片段長度多態性（RFLP）技術的酶切，根據各種纖維的線粒體DNA經擴增酶切后基因序列的不同，來鑒定羊絨與羊毛的新技術。單核苷酸多態性（single nucleotide polymorphisms ，SNP）主要是指在基因組水平上由于單個核苷酸的變異所引起的DNA序列多態性。SNP作為第三代分子遺傳標記，因其密度高、可代表性、遺傳穩定性、易測定性等方面的特點和多種檢測方法，已被廣泛應用于動物的種別鑒定，在羊絨與羊毛的定性定量鑒定中也得到了較多的應用。由于不同種別的纖維都有本身特征的SNP標記，因此提取其毛發中的線粒體DNA經PCR擴增后就可以鑒別其種別。基于此，Subramanian利用PCR-RFLP 技術，對羊絨和羊毛中的線粒體DNA進行PCR擴增，并成功開發設計出用于鑒別羊絨羊毛纖維的SNP方法。
3.2生物芯片法
美國Affymetrix公司和國立阿貢實驗室開發出一種生物芯片，這種生物芯片采用微凝膠技術，在一塊大小如顯微鏡用載物玻璃片的玻璃表面上，設計了多達一萬個作用如同微型測試管的微機構。在測試時每個微凝膠結構中的化學物質與被測生物對象發生反應，便可測出DNA的序列、基因變異、蛋白質相互作用和免疫反應等。生物芯片在數秒之內就能進行數千次破譯基因密碼等生物反應。由于羊絨和羊毛在DNA鏈段上有著不同的結構特征，因此可利用DNA 特性來鑒別羊絨和羊毛。
4、結束語
本文綜述了國內外羊毛和羊絨纖維的鑒別技術，即光學顯微鏡法、掃描電子顯微鏡法、計算機圖像識別法等方法，并對這些技術的基本原理、應用范圍進行了論述和簡單的比較。不同的鑒別方法具有不同的特點、優劣與局限性，對不同性質的羊絨、羊毛應選擇合適的方法來鑒別，并且僅靠某一種檢測方法來鑒別羊絨、羊毛不能達到目的，建議多種方法搭配使用。
參考文獻：
[1]王洪燕，潘?？?，張守斌. 羊毛纖維結構和細化方法概述[J]. 現代紡織技術，2009，01：55-58.
圖像識別技術的基本原理范文3
（1.廣西電網公司欽州供電局，廣西 欽州 535000；2.廣西南寧仟能電氣技術有限公司，廣西 南寧 530002；
3.廣西大學電氣工程學院，廣西 南寧 530004）
【摘 要】弧垂檢測是保證架空輸電線路安全運行的重要措施。傳統的手工計算弧垂的方法不僅計算量大，而且容易出錯；現有計算機技術計算弧垂的方法雖然準確度較高，但需要復雜的公式和考慮眾多因素（如導線溫度、張力、傳輸容量等），在工程應用中給現場人員帶來不便，難以推廣應用。為此，提出一種基于圖像識別技術的架空線弧垂計算方法，以懸鏈線模型為基礎提取部分段曲線的獨立狀態參數，還原完整架空線并計算其弧垂。同時，基于Matlab GUI開發了一款實用的弧垂測量系統，并通過實際工程測試結果表明，該系統數據采集方式簡單、運算速度快，結果展示和輸出方便，既能滿足工程的精度要求，又具有較高的實用性，是提高工程現場作業人員工作效率的實用應用工具。
關鍵詞 圖像識別；弧垂測量系統；Matlab GUI設計
作者簡介：池小兵（1988—），男，本科，工程師，主要從事生產設備管理部輸電管理工作。
黃陽垚（1971—），男，本科，工程師，主要從事工程管理等技術工作。
黃景標（1966—），男，本科，工程師，主要從事輸電管理工作。
莫枝閱（1989—），男，碩士研究生，主要研究方向為電力系統規劃與可靠性。
0 引言
輸電線路弧垂是線路設計和運行維護的主要指標之一，弧垂過小，架空線的拉應力就大，桿塔荷載增大，安全系數減小，嚴重時可能發生斷線、倒塔和掉串等事故；弧垂過大，架空線對地及交叉跨越物的安全距離不足，風擺、舞動和跳躍會造成線路停電事故的風險就隨之增加[1]。因此，運行線路的日常巡檢中需要對弧垂進行實時監測，將弧垂控制在規程要求的范圍內以保證線路和被跨越設備的安全。
傳統的導線弧垂實測計算方法主要有角度法、馳度板觀測法和中點高度法[2-4]等，這些方法均存在測量難度大、實時性差，或者誤差較大的問題。隨著現代測量技術的不斷發展和各類先進工程測量儀器的開發，基于先進的測量儀器和計算平臺（包括計算機算法[5]、圖像識別技術[6-7]、光纖光柵應變傳感器[8]、LabVIEW平臺[9]、J2ME技術[10]以及電場逆運算原理[11]等）的弧垂測量新方法應運而生。利用圖像處理技術進行弧垂計算有全景拼接數碼照片[12]和計算機視覺原理標定線路坐標值[13]等方式。其中，全景拼接技術在實際操作中，容易出現拼接失真而帶來較大的計算誤差；利用計算機視覺原理計算弧垂時需要標定線路坐標值，在地形環境復雜的地區難以進行準確標定坐標值，甚至是無法完成的。此外，其他仿真類方法需要用到復雜的計算公式和考慮影響弧垂的眾多因素如導線溫度、張力、傳輸容量等，在實際工程應用中給現場人員帶來不便，因此很難得到應用推廣。為此，提出一種基于部分線段圖像識別技術的架空線弧垂計算方法，以懸鏈線模型為基礎提取部分段曲線的獨立狀態參數，還原完整架空線并計算其弧垂。同時，基于Matlab GUI開發一款實用的弧垂測量系統，自動完成弧垂計算、輸出和保存等工作。
1 架空線路圖像識別技術
考慮到架空線路圖像背景的復雜性，為了使特征的提取精度更高，需要對圖像進行預處理，包括濾波[14]和邊緣檢測[15]等。
1.1 圖像濾波
圖像濾波是一種為數字圖像去噪平滑的預處理技術, 在提取圖像的特征值之前需要先對圖像進行平滑濾波。中值濾波是經典的濾波算法，其基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰域里各點值的中值代替，既可以去除圖像中的噪聲又能最大限度地保護圖像的邊緣和輪廓，為后期的圖像處理做好準備。
1.2 圖像邊緣檢測
電力線路最基本的特征是其線特征，線特征的提取可以采用圖像的邊緣檢測來實現。邊緣檢測是借助空域微分算子通過卷積完成，微分算子具有突出灰度變化的作用，對圖像運用微分算子，其灰度變化較大點計算出的微分算子值較高，可以將這些值作為相應點的邊界強度，通過設置閾值，提取邊界點集。
邊緣檢測得到線路的兩條邊緣，參照曲線平滑的思想，可以采用兩條邊緣線的中間線來代替懸鏈線，以更加準確地反應線路的趨勢。在尋找中間點的時候，若同一x坐標上有n個像素點，則中間點的y坐標可表示為
式中yi為第i個像素的y坐標。
2 基于部分線段的懸垂鏈弧垂測量原理
2.1 懸鏈線還原
采用懸鏈線模型計算架空線弧垂。參照 “懸鏈段”方法分析柔索結構的思想[16]，提出基于圖片處理的弧垂計算思想：當檔距一定時，僅需一個獨立變量就可以確定線路的懸垂狀態，提取該獨立參數，還原完整懸鏈曲線并計算其弧垂值。圖1是懸鏈段參數提取示意圖，采用數字圖像處理所用的坐標約定，選取頂部索曲線傾角的正割值作為獨立變量求解，定義secθ=n，θ為頂部索曲線傾角，則可由公式（2）確定懸鏈線的狀態。
式中，a為待求系數，(l,h)是曲線切點坐標，(x0,y0)是曲線的端點坐標。
線路參數的提取步驟如下：
（1）獲取部分段線路圖像的兩端點坐標(x0,y0)、(L0,H0)，計算連接兩端點坐標的直線的斜率k，得到兩端點連接的直線方程；
（2）利用點到直線的距離公式，求出點到直線的最大距離，對應的點即為切點，并取得切點坐標(l,h)；
（3）k即為頂部索曲線傾角的正切值tanθ，則，切點坐標即為頂點坐標(l,h)。
（4）由h/a=n-ch(archn-l/a)解出a，即可確定懸鏈線的狀態方程。
由求得的狀態方程公式（2）畫出曲線在原圖像大小范圍內的部分，則為還原的部分曲線圖像；求出完整曲線兩端點的橫坐標，即可還原出完整的懸鏈線，橫坐標的計算如圖2所示。
圖2為測量數值示意圖，0B段（以0為原點建立坐標系）對應拍攝的電力線片段。其中L為固定檔距，L1和L2分別是拍攝的電力線的兩端點到懸鏈線同一端點的水平距離。測量得到L、L1和L2的值，有
式中L0如圖1所示，表示部分段曲線的端點的橫坐標。
以部分段圖像的原點為原點，畫出曲線在-x1到x2區間上的部分，則為該檔距內完整的懸鏈線。
2.2 弧垂計算
從第2.1節中還原的完整懸鏈線提取兩端點坐標(-x1,y1)、(x2,y2)，則連接懸鏈線兩端點的直線方程為，減去式（2）即得懸鏈線的弧垂值為
f=yd-ach(x/a+archn-l/a)+ach(archn-l/a)-y0（5）
令?墜f/?墜x=0，當x=a(arshk1-archn)+l時，可得最大弧垂值fmax，式中k1=(y2-y1)/(x2-x1)。
結果計算中，恢復出的像素點和原圖像素點間的相對誤差為
α=(y-y′)/y（6）
平均誤差率為
式中y為原圖像中某一像素點的坐標，y′為恢復出的該像素點的坐標。
計算得出的弧垂值和實際測量的弧垂值之間的相對誤差為
式中f為實際測量得到的弧垂值，fmax為計算得到的弧垂值。
3 實用架空線弧垂測量系統設計
3.1 系統分析
系統分析主要任務是根據工程實際需求，分析、理解整個系統設計的基本要求，確定系統框架。
3.1.1 功能要求
利用高清數碼相機取得導線的圖片，對該圖片進行處理，把架空導線當作懸垂鏈條，通過分析一段懸垂鏈的軌跡，模擬仿真出整段懸垂鏈軌跡，通過懸垂鏈軌跡計算出最大弧垂的系統。
3.1.2 系統框架
包含由高清數碼相機、圖片處理系統、懸垂鏈分析系統、數據接口等軟硬件組成的導線弧垂測量系統，滿足測量數字化、輸出標準化、通信網絡化特征，對一檔架空導線弧垂測量的數據測量裝置，并通過信道將數據傳送到服務器。
3.2 系統設計
3.2.1 算法設計
基于圖像處理的架空線弧垂實測系統的計算流程圖如圖3所示，包括圖像處理、參數提取和弧垂計算等內容。
先對目標圖片進行校正、濾波等預處理，然后邊緣檢測得到圖像像素坐標，提取獨立參數恢復完整曲線并計算弧垂值。
3.2.2 系統界面設計
基于MATALB /GUI開發弧垂系統界面。建立GUI的主要方式有兩種：第一種是直接通過程序編寫的方式產生對象，即利用uicontrol 、ui2contexmenu 等函數以編寫M文件的方式來開發整個GUI；第二種方式是直接通過MATALB的GUI編輯界面—GUIDE來建立GUI。本文采用第二種方法來開發軟件界面。
開發的弧垂實測系統界面如圖4所示。輸入數據包括拍攝的架空線圖片和相關測量數據，依次單擊“選擇圖片”、“數據輸入”，就可以得到輸出結果。
4 應用案例分析
采用高清相機拍攝檔距一定的架空線部分段圖像作為分析對象，如圖5所示。利用全站儀測量得到參數L、L1、L2和實際弧垂值，其值分別為L=120.699m，L1=11.248m，L2=16.902m,實測弧垂值為5.468m。整個計算流程如圖6至圖8所示。
運行弧垂實測系統，點擊“選擇圖片”按鈕，在彈出的對話框里選擇拍攝的圖片，如圖6所示；當“數據輸入”按鈕變為可用狀態時，點擊“數據輸入”，在彈出的對話框中輸入測量數據，就可以自動完成計算，如圖7所示；點擊“結果輸出”按鈕，得到計算結果，點擊“保存”按鈕可以方便將結果保存，如圖8所示。
由計算結果可以看出，計算的弧垂值為5.632m，與實測弧垂值5.483m對比，弧垂計算相對誤差為-2.716%，負值表示計算弧垂值大于實測弧垂值，能夠較好地滿足系統精度要求。
5 結論
以懸鏈線模型為基礎，通過部分線段圖像識別分析，提取部分段曲線的獨立狀態參數，還原完整電力線；避開導線應力、溫度、傳輸容量等影響，能對弧垂進行準確、直觀的測量。
基于Matlab GUI開發了一款實用的弧垂測量系統，建立友好的對話框式數據輸入界面，提升了數據錄入的便捷性，能夠自動完成弧垂計算、分析、保存和輸出等工作，既能滿足工程的精度要求，又能方便現場工作人員，提高了工作效率，降低了工作強度，易于推廣使用。
參考文獻
［1］黃俊杰,王身麗,陳早明,等．架空輸電線路弧垂計算的計算機實現[J]．湖北電力,2003,3:1-3.
［2］時瀑森,王占林.弧垂觀測及大檔距弧垂觀測新方法[J]．湖北電力,2012,36(5):61-63.
［3］趙新衛.線路弧垂的觀測方法[J].大眾用電,2009(6):29-29.
［4］竇小晶,瑚躍進,陳貴鋒,等．大檔距架空線弧垂測量及其誤差分析[J].供用電,2009,26(4):15-17.
［5］奉斌,羅輝.配電架空線路應力弧垂計算機算法[J].廣西電業,2006(9):90-92.
［6］陳斯雅,王濱海,盛戈皞,王聞,江秀臣.采用圖像攝影的輸電線路弧垂測量方法[J].高電壓技術,2011(04).
［7］黃新波,張曉霞,李立浧,羅兵.采用圖像處理技術的輸電線路導線弧垂測量[J].高電壓技術,2011(08).
［8］李路明,孟小波,張治國,孫欣,陳雪,張民.基于光纖光柵應變傳感器的架空輸電線弧垂實時監測[J].電力建設,2011,32(7):51-54.
［9］桂菲菲,王振剛,龐百勝,等.基于LabVIEW的架空輸電線最大弧垂計算方法[J].電力建設,2013,34(7):108-113.
［10］劉萬夫,劉濤.J2ME技術在架空線路弧垂觀測角計算中的應用[J].電力建設,2013,33(11):101-103.
［11］陳楠,文習山,藍磊,等.基于電場逆運算的輸電導線弧垂計算方法[J].中國電機工程學報,2011,31(16):121-127.
［12］楊靖超.基于弧垂在線檢測的輸電線路動態增容技術[D].北京:華北電力大學,2006.
［13］李俊芳.基于計算機視覺的輸電線弧垂測量[D].北京:華北電力大學,2008.
［14］趙高長,張磊,武風波.改進的中值濾波算法在圖像去噪中的應用[J].應用光學,2011(04).
［15］譚艷,王宇俊,李飛龍,葛耿育.幾種典型的圖像邊緣檢測算法的分析比較[J].電腦知識與技術,2012(07).
圖像識別技術的基本原理范文4
關鍵詞:圖像分割 車型識別 目標跟蹤 模型匹配
在現代交通管理和道路規劃中,交通流量和通行車輛的類型、速度是重要的參數。自動獲取這些數據的方法大致可以分為兩類:一類是利用壓電、紅外、環形磁感應線圈等傳感器獲得車輛本身的參數, 這類方法跟蹤識別率較高,但是容易損壞,安裝也不方便;還有一類就是基于圖像處理和模式識別的方法,克服了前面一類方法的局限,由于圖像處理識別技術的進步和硬件性價比的大幅提高,有一定實用價值的系統已經出現。這些系統的使用證明;圖像處理識別車輛的方法晶趨成熟,環境適應能力較強,能長期穩定工作,但是計算量大,識別正確率不如感應線圈、激光讀卡等方法高。本文的研究屬于后者,利用安裝在高處的單個靜止攝像頭監視路面,利用運動分割與模型匹配的方法,檢測并統計多車道的車流。
識別過程分三步:分割、跟蹤和車型判定。運動目標的分割常采用幅差法。在監控場合,攝像頭大多是固定的,背景基本沒有變化或者變化緩慢,可以從圖像序列中逐漸取出背景圖像,然后利用幀差法檢測出目標區域,同時還可以檢測靜止目標。由于識別過程中利用二值邊緣,所以本文在圖像分割中對輸入圖像進行了梯度二值化處理。三維空間和二維圖像平面之間映射關系的確定,采用基于針孔模型的攝像機定標來計算。對目標區域的跟蹤,采用了區域特征向量的匹配跟蹤方法,減小了運算量。由于圖像處理的方法很難提取輪數、軸距等車輛本身參數,所以在圖像車型識別中一般都采用三維模型在圖像上投影和車輛邊緣相匹配的方法。
1 背景重建和圖像分割
由于攝像頭固定,背景變化緩慢,因此,可以利用圖像序列逐漸恢復出背景圖像。其基本原理是:對每一個像素進行監控,如果在較長時鐘內灰度不發生明顯變化,則認為該象素屬于背景區域,將該象素灰度值復制到背景緩沖區,否則屬于前景區域。由于光照以及車輛陰影等影響,采用這種方法恢復出來的 背景圖像存在較大噪聲。因此大實驗中對原始輸入圖像進行了梯度二值化處理,然后進行背景重建。這樣可以減小陰影的干擾,加快背景重建速度。由于識別是利用邊緣,所以度化對后面的識別過程沒有影響。
在得到背景邊界圖像后,利用幀差法可以分割出感興趣的目標。但是,如果目標區域和背景邊界后果合(都興趣的目標。但是,如果目標區域和背景邊界重合(值都為“1”),相減之后該目標區域被錯誤判定為背景區域(來"0")。為了減小錯誤判決區域,本文在分割時參考了相鄰兩幀的二值化幀差fdmask,判決準則如下:如果fdmask中革像開綠素為“0”,則輸入圖像和背景圖像相應像素相減;否則直接復制輸入圖像中相應的像素值。分割結果經過噪聲消除、形態學平滑邊辦、種子填充、區域標記等后續處理,就分字出了目標。
2 攝像機定標
在模型匹配中,需要從二維圖像恢復目標三維,同時將三維模型投影到圖像平面上,因此必須計算三維空間到圖像平面的投影關系矩陣。這個過程就是攝像機定標。本文采用基于針孔模型的攝像機定標方法,其基本原理是利用給定的一組三維世界的點坐標和這些點在圖像中的坐標,求解線性方程組,計算透視投影矩陣中的各個元素。透視投影矩陣如下:
其中:(u,v)是圖像坐標,(xw,yw,zw)是三維坐標,m為投影矩陣,zc為三維空間中點到攝像機鏡頭的矢量在光主軸上的投影距離。要求解m的各個元素,通常方程組不獨立,沒有唯一解,采用近似計算的誤差羅大。在(21)式基礎上經過變形,將12階方程分拆成三個4階方程組,只需要利用4個點的投影關系,方程組的階次也只有4階,可以有效避免出現奇異矩陣,求出唯一解。由式(1)可以得出:
另外,除了4組點的坐標之外,還需測定鏡頭主光軸的水平垂直傾角。
3 車輛的跟蹤和分類
在區域分割后,接下來進行區域跟蹤,利用相鄰兩幀的區域匹配從而圖像序列中建立目標鏈,跟蹤目標從進入監視范圍到駛離監視范圍的整個過程。首稱要確定區配準則。常用的圖像匹配方法有hausdorff距離區域法和圖像互相關。這兩種方法都需要逐個含金量紗的計算。為了減小計算量,采用區域特片跟蹤法。目標區域的特征包括區域形心坐標、區域包圍矩形、區域運動速度及運動方向和區域面積。本文匹配準則采用了兩個假定:同一目標所對應區域在相鄰兩幀中面積相近;同一目標在前一幀中的區域形心加上運動速度所得到的形心預測值與后一幀中區域形心距離相近。跟蹤過程如下:
(1)將第一幀的各個區域當作不同的目標,對各個目標區域啟動目標鏈。
(2)根據判決準則,如果某目標鏈中的區域在當前幀找到了匹配區域,則用找到的的匹配區域特片更新該目標鏈中的區域特征。
(3)如果在形心預測值所在位置,當前幀區域和目標鏈中區域面積相差很大,則可以認為發生了合并或者分裂現象。對目標鏈中的區域包圍矩形,在本幀查找該矩形覆蓋了幾個區域,如果多于一個區域,則認為發生了分裂現象。對分裂現象出現的新區域,啟動新目標鏈。同理,對于本幀區域的包圍矩形,查找該矩形覆蓋了幾個目標鏈中的區域,如果多于一個,則認為發生了合并現象,利用合并區域啟動新的目標鏈,同時終止那些被合并區域的目標鏈。
(4)對于目標鏈中的區域,如果在本幀沒有與之相匹配的區域存在,則認為發生了消失現象。目標鏈并不立即終止,只有在經過數幀仍沒有找到匹配之后,才終止該目標鏈。
(5)查找本幀是否還存在新進入的區域,如果存在,則啟動新的目標鏈。
采用這種方法可以快速跟蹤圖像序列中的目標,同時得到車輛在監視范圍的平均速度。在計數時,只有目標在連續數幀里出現才認燭一個真正的目標區域,只有目標在連續數幀都沒有出現才認為消失,因此可以消除那些暫時消失引起的計數錯誤。
車輛分類是個很復雜的問題。圖像處理方法要獲得輪數、軸距等車輛本身參數比較困難,因此圖像識別車型通常采用模型匹配方法?，F有的研究大多是先抽取車輛的幾條直線邊緣,然后用線條和模型邊緣匹配。由于在圖像中抽取直線本身的計算量相當大,所以本文沒有抽取車輛邊緣直線,而是直接利用了canny邊緣檢測的整體結果與模型相匹配。canny邊緣與模型邊緣之間存在較大的形變,hausdorff距離匹配對形變不敏感,所以采用hausdorff距離作為匹配準則是很適宜的。
設有兩組有限點集a={a1,…,ap}和b=={b1,…,bq},則二者之間的hausdorff距離定義為:
h(a,b)=max(h(a,b),h(b,a)) (3)
其中: ||bj-ai||,h(a,b)被稱為從a到b的有向hausdorff距離,它反映了a到b的不匹配程度。h(b,a)的意義與h(a,b)相似。在具體計算hausdorff距離時,通常采用距離變換的方法。車輛分類步驟如下:
(1)在分割結果的基礎上,對目標區域進行canny算子邊緣檢測,僅僅處理分割出目標區域的邊緣,減小了運算量。
(2)對canny邊緣,采用串行距離變換,得到距離變換圖像。距離變換圖像的每個像素灰度值等于該像素到目標邊緣的最近距離。
(3)對各分割目標,恢復車輛的三維信息,只計算長度和寬度。由于二維圖像平面上一點對應了攝像機坐標中不同深度的一第洌 點,所以在從圖像上一點恢復該點在世界傺 標中的時,首先要給定該點在世界坐 標值中一個分量以減少不確定度(這樣恢復出來的數值有些誤差,通常給出z方向高度值zw)。
(4)在計算目標區域長度和寬度的同時,可以求出車輛底盤形心在地面上的位置(x,y),根據速度方向判斷車輛在地面上的角度α。利用車輛本身的三維模型數據以及(x,y,α),通過式(1)透視投影,消隱處理,可以確定車輛模型在圖像平面上的投影。
(5)當目標進入指定區域后,以模型投影圖像為模板,將投影圖像在距離變換圖像上移動,在每一個位置,求出模型影圖像下距離變換圖像被模型輪廓線覆蓋的像素值之和,以這個和值作為在該位置當前模型與實際車輛的匹配程度。將當前模型在各位置所得區配程度的最小值作為當前模型與車輛的實際匹配程度,該最小值除以模型輪廓線的像素數目,即該模型與車輛之間的hausdorff距離。對各種模型,分別求出它們與車輛之間的hausdorff距離,取其中最小值對應的那種模型那為車型識別結果。實驗過程中為了減小計算量,搜索方法采用了三步搜索法。
4 實驗結果
本實驗所采用的352×288視頻圖像,來自采用單個固定ccd攝像機于杭州天目山路拍攝的交通場影片斷。主要算法在trimedia1300 DSP上用c語言實現,在圖像分割過程中進行了較多的梯度、降低噪聲、填充和標記運算,平均處理一幀大約耗時0.3s。算法流程全過程如圖1所示。
實驗證明,抽取背景和當前幀之間進行差異檢測,分貧窮交為準確。對于比較淡的陰影,用梯率二值化方法可以部分消除陰影影響。由于只監視邊緣變化部分,背景重建速度比直接利用灰度圖像重建背景快很多,干擾也較小。梯度二值化處理之后得建背景只需150-200幀,而不經過新穎度二值化處理在上升幀之后仍然沒有較好的背景,并且點狀噪聲和去霧狀模糊比較嚴重。
圖像識別技術的基本原理范文5
1多源遙感數據源
隨著遙感技術的發展，越來越多的不同類型的遙感傳感器數據被用于對水域的觀測。不同類型的遙感數據在水產養殖信息提取中具有各自的優勢和特性，因而也對應有不同的應用領域和信息提取精度。一般來說，多光譜遙感記錄了地物的反射、輻射波譜特征，擁有豐富的地物空間分布及光譜信息，有助于識別水產養殖區域，是目前水產養殖區信息提取的主要信息源。但大多數多光譜遙感圖像數據空間分辨率相對較低，即空間的細節表現能力比較差，將多光譜圖像和全色圖像融合，可有效提高圖像解譯能力。目前常用的識別水產養殖區的衛星遙感數據主要有全色圖像、多光譜圖像和微波雷達圖像等，具體參數如表1所示。SAR具有全天時、全天候、多波段、多極化工作方式、可變側視角、穿透能力強等特點，SAR圖像中則含有豐富的地表紋理結構信息。在沿海水域，由于海水對微波雷達的回波能量較弱，而養殖用的基座、圍欄和網箱等回波能量較強，色調比周圍的海水更亮，二者對比度較大，因而可從SAR圖像中提取養殖區域的相關信息。此外，在進行精度驗證時，還可利用GoogleEarth平臺提供的在線照片，這為實地調查驗證提供了便利。
2水產養殖區域的識別方法
由于受研究時間、研究區域和數據源等客觀因素的限制，還沒有一種方法是最普遍和最佳的水產養殖區的識別方法。目前常用的水產養殖區識別方法主要有目視解譯、基于比值指數分析的信息提取、基于對應分析的信息提取、基于空間結構分析的信息提取以及基于面向對象的信息提取等。
2．1目視解譯目視解譯是遙感應用最常用、最基本的方法之一。它根據遙感圖像目視解譯標志(位置、形狀、大小、色調、陰影、紋理、圖形及相關布局等)和解譯經驗，與多種非遙感信息資料相結合，運用相關知識，采用對照分析的方法，進行由此及彼、由表及里、去偽存真、循序漸進的綜合分析和邏輯推理，從遙感圖像中獲取需要的專題信息。目前，目視解譯一般都采用人機交互方式。在解譯前先通過遙感圖像處理軟件對圖像進行必要的預處理，包括圖像增強、圖像融合等，有效地改善圖像的可識別能力，突出主要信息，提高判讀的精度。楊英寶等依據6景TM圖像和3期高精度航片，利用人機交互式解譯方法分析了東太湖20世紀80年代以來網圍養殖的時空變化情況［6］;李新國等采用3景航空圖像對東太湖的網圍養殖面積動態變化進行人機交互目視解譯［7］;樊建勇等在經過增強處理后的SAR圖像上，對膠州灣海域養殖區進行了交互跟蹤矢量化［8］;褚忠信等利用不同時期的TM圖像，對黃河三角洲平原水庫與水產養殖場面積進行了人機交互解譯［9］;吳巖峻等用4景ETM+圖像，經過多次外業調查，建立解譯標志，采用人機交互方法，對海南省海水和島上水產養殖區進行了勾畫［10］;宮鵬等借助1987—1992年和1999—2002年的TM/ETM+圖像及GoogleEarth平臺提供的高分辨率圖像和部分在線照片，對包括海水養殖場在內的全國濕地分布進行了目視解譯，并繪制了專題圖［11］。目視解譯簡單易行，而且具有較高的信息提取精度，適用于絕大多數養殖區域的識別，但是也存在一定的缺點。當解譯人員的專業知識背景、解譯經驗不同時，可能得到不同的結果，其結果往往帶有解譯者的主觀隨意性。當養殖區域水體同非養殖區域水體的光譜特征或空間結構特征等相似時，解譯人員就很難根據標志將其區分開來，使精度受到影響;而且目視解譯工作量大、費工費時，難以實現對海量空間信息的定量化分析和保證信息的時效性，因此研究遙感信息的自動提取方法已成必然。
2．2基于比值指數分析的信息提取比值型指數［12］創建的基本原理就是在同一圖像的多光譜波段內，求得每個像元在不同波段的亮度值之比，構成新的圖像，以壓制某些造成光照差異的因子或背景的影響，增強地物光譜特征的微小差別，突出目標地物的輻射特征。比值型指數通常又會作歸一化處理，使其數值范圍統一到－1～1之間。馬艷娟等利用ASTER數據，分析養殖水體與非養殖水體在圖像各波段上的特征差異，構建用于提取圖像中水產養殖區域的指數(normalizeddifferenceaquacultureindex，NDAI);并分析用NDAI提取得到的結果中錯分的受大氣、傳感器影響的水體與自然水體的各波段灰度值的分布，構建了用來進一步提取深海區域的指數(marineextractionindex，MEI)，將近海水產養殖區的養殖水體與其他水體區分開［13］，取得了較高的精度。由于比值指數分析的信息提取方法只考慮各波段上的灰度信息，當部分養殖區在光譜上與深海水域接近或是當深海水域光譜并非均一時，會導致錯分。該方法適用于養殖區與背景環境光譜差異大的地區，否則將無法克服傳統遙感分類方法所普遍存在的“椒鹽”噪聲，從而影響信息提取的精度。
2．3基于對應分析的信息提取對應分析是在因子分析的基礎上發展起來的分析方法，又稱“R－Q型因子分析”［14］。該方法已在生物和統計領域得到廣泛的認同和應用，但在遙感領域的應用相對較少。在遙感應用中對應分析方法既研究圖像波段特征屬性及其相互關系，也研究像元特征之間的關系，有利于提高信息提取的精度。王靜等應用該方法快速有效地進行了滆湖圍網養殖區湖泊圍網分布信息的提?。?5］。該方法對遙感圖像的質量要求較高，并在分析前要進行嚴格有效的圖像預處理。此外，該方法并無法有效地解決“異物同譜”和“異物同紋理”的分類問題。
2．4基于空間結構分析的信息提取空間結構分析的處理方法有鄰域分析、紋理分析、線性特征提取等。其中，鄰域分析是對波段每一個像元依據四周鄰近的像元對其進行空間分析的方法［16］，分析和運算的像元數目和位置由掃描窗口確定;紋理表現是指圖像灰度在空間上有序重復出現的特征，反映了一個區域中某個像元灰度級的空間分布規律，其基本分析方法有3類:統計分析方法、結構分析方法和頻譜分析方法。周小成等采用ASTER遙感圖像，以九龍江河口地區為研究示范區，利用卷積算子，采用鄰域分析法來增強水產養殖地的空間紋理信息［17］;李俊杰等利用紋理統計分析方法中的灰度共生矩陣(graylevelco－occurrencematrices，GLCM)，選用中巴資源衛星02星多光譜數據，以白馬湖為試驗區，提取湖泊圍網養殖區，實驗表明紋理量化的均值指標能夠較好地反映自然水體、圍網養殖區和其他地物內部結構的異質性，取得了較理想的效果［18］;林桂蘭等利用方差算法對廈門海灣海上的吊養和網箱養殖進行紋理分析，得到養殖專題圖［19］;初佳蘭等選用長?？h廣鹿島海區的SAR圖像，統計有效視數(ef-fectivenumberoflooks)，并對圖像進行多種方法濾波分析，提取了浮筏養殖信息［20］?；诳臻g結構分析的養殖區識別方法，適用于近海水產養殖地的自動提取，而不適用于內陸水產養殖地，因為后者在空間上的分布孤立，斑塊小，與其他農用坑塘水體的空間特征類似，但仍可以作為一種遙感圖像識別的輔助方法。#p#分頁標題#e#
2．5基于面向對象的信息提取面向對象的圖像分析主要思想是:首先將圖像分割成具有一定意義的圖像對象，然后綜合運用地物的光譜特征、紋理、形狀、鄰近關系等相關信息，在最鄰近法和模糊分類思想的指導下，確定分割對象所屬類別，得到精度比較高的遙感圖像分類結果［21］。對于養殖區分布的提取，面向對象的圖像分析方法基本步驟包括多精度圖像分割、面向對象的水陸劃分和非養殖水域剔除。首先，使用多精度圖像分割對原始圖像進行分割以獲得分割圖斑，并計算各個圖斑的特征，為后繼分析服務;然后，根據遙感圖像中水域的輻射特性進行水陸分割;接著根據圖斑的光譜、形狀及空間特征提取出面狀、線狀非養殖水域部分;最后，在水陸劃分得到的水域全圖的基礎上剔除以上提取的面狀水系和線狀水系，得到養殖水域提取結果［22］。謝玉林等利用該方法，對珠江口養殖區域進行了提取，驗證該方法在水產養殖區提取上的可行性［22］;關學彬等采用該方法對海南省文昌地區的水產養殖區進行監測，取得了理想效果［23］;孫曉宇等采用該方法，利用多時相遙感數據對珠江口海岸帶地區水產養殖場的變化進行了提取［24］。面向對象的圖像分析將處理的對象從像元過渡到了圖斑的對象層次，更接近人們觀測數據的思維邏輯，更利于知識與規則的融合。在很多情況下，面向對象的遙感圖像分析方法會比基于像元的分析方法取得更好的效果。采用面向對象技術，在解決常規圖像分類時的椒鹽噪聲效應、結果的可解釋性上有很大優勢，因此在高分辨率圖像信息提取中能夠發揮更大的作用。但是當特征及隸屬度函數選取不當時，會出現較嚴重的誤分現象，此時要結合目視解譯方法，判別分類結果的合理性，優化隸屬度函數，重新進行分類。
圖像識別技術的基本原理范文6
關鍵詞：圖像處理；電力設備
中圖分類號：V351.31文獻標識碼：A文章編號：
1、電力設備檢測
電力設備是輸配電網中的樞紐和通道，設備在使用的過程中會有老化、失修、故障隱患等情況出現。但是這些情況并不能都靠人眼、工作人員的經驗一一排除，必須要專門的電力設備檢測才能檢查出這些電力安全隱患并組織人力及時排除。 在電力運行中，電力安全始終是電力人繃緊的一根弦。電力設備檢測實際上是起到了預防、發現隱患的作用。因此電力設備檢測（即電力設備預防性試驗）至關重要。
2、電力設備的概述
電力設備預防性試驗是指對已投入運行的設備按規定的試驗條件（如規定的試驗設備、環境條件、試驗方法和試驗電壓等）、試驗項目、試驗周期所進行的定期檢查或試驗，以發現運行中電力設備的隱患、預防發生事故或電力設備損壞。它是判斷電力設備能否繼續投入運行并保證安全運行的重要措施。
3、圖像處理的發展
隨著計算機技術的迅猛發展和相關理論的不斷完善，數字圖像處理 技術在許多應用領域受到廣泛重視并取得了重大的開拓性成就。 屬于這些領域的有航空 航天、生物醫學工程、工業檢測、機器人視覺、公安司法、軍事制導、文化藝術等。該 技術終將成為一門引人注目、前景遠大的新型學科。
4、圖像處理的意義
圖像進行處理的主要目的有三個方面:
4.1圖像的視感質量,如進行圖像的亮度、彩色變換,增強、抑制某些成分,對圖像進行幾何變換等,以改善圖像的質量。
4.2圖像中所包含的某些特征或特殊信息,這些被提取的特征或信息往往為計算機分析圖像提供便利。提取特征或信息的過程是圖像處理的預處理。提取的特征可以包括很多方面,如頻域特征、灰度或顏色特征、邊界特征、區域特征、紋理特征、形狀特征、拓撲特征和關系結構等。
4.3不管是何種目的的圖像處理,都需要由計算機和圖像專用設備組成的圖像處理系統對圖像數據進行輸入、加工和輸出。圖像是人類獲取和交換信息的主要來源，是視覺的基礎，而視覺又是人類重要的感知手段，所以圖像成為心理學，生理學，計算機科學等諸多方面學者研究示圖感知的有效工具。圖像處理是一門實用的科學，在軍事，航空，航天，遙感，電力，通信，醫學，教育等領域得到廣泛應用。
5、電力系統概述
傳統的視頻監控系統需要人工監看錄像，監控性能受到監控者本身的生理因素的制約。有研究表明: 人盯著屏幕看3 個小時后，注意力將降低70%。隨著我國高壓輸電線路的規模迅速增長，線路運行部門承擔了越來越多的線路巡視維護工作量，急需用先進的技術來幫助線路維護人員提高工作效率。圖像處理技術借助計算機強大的數據處理功能，對視頻畫面中的海量數據進行高速分析，過濾掉用戶不關心的信息，僅僅為監控者提供有用的關鍵信息。能夠大大減輕視頻監控中人工勞動強度，同時可以減少誤報漏報，還可以提高報警處理的及時性。圖像監控系統應用的范圍非常廣，最常見的是對民宅、停車場、公共場所、銀行等的監控，以防止偷盜、破壞行為的發生，保障社會安全。近年來圖像處理技術在電力設備系統監控上也有大量應用: 如趙書濤等人利用圖像的形狀不變矩特征作為特征矢量，采用SVM 分類器識別各類電力設備，取得了較滿意的識別效果，實現了變電站的無人值守; 劉金春利用小波不變矩來提取圖像的邊緣特征，通過與無故障圖像的小波不變矩比較，分析出圖像的變化情況，實現了對變電站的自動監控。因此圖像處理技術能在電力系統的安全監測中發揮重大作用。
6、圖像檢測
邊緣檢測是一種重要的區域處理方法。邊緣是所要提取目標和背景的分界線, 提取出邊緣才能將目標和背景區分開來。邊緣檢測是利用物體和背景在某種圖像特性上的差異來實現的, 這些差異包括灰度、顏色或者紋理特征。實際上, 就是檢測圖像特性發生變化的位置。邊緣檢測包括兩個基本內容: 一是抽取出反映灰度變化的邊緣點; 二是剔除某些邊界點或填補邊界間斷點, 并將這些邊緣連接成完整的線。如果一個像素落在邊界上, 那么它的鄰域將成為一個灰度級變化地帶。對這種變化最有用的兩個特征是灰度的變化率和方向。邊緣檢測算子可以檢查每個像素的鄰域, 并對灰度變化率進行量化, 也包括對方向的確定, 其中大多數是基于方向導數掩模求卷積的方法。
6.1圖像幾何校正
圖像的幾何畸變表現為像元相對于地面目標實際位置發生擠壓、扭曲、變形等。其基本環節有兩個，即像素坐標變換和重采樣。
6.2圖像重采樣
圖像重采樣的目的主要是保證圖像像素的連續性，因為對圖像空間分辨率進行提升時，需要利用插值的手段在空出的像素上補上對應的值，使整個圖像平滑，有利于進一步處理。其最基本方法有三種：最近鄰插值、雙線性插值和雙三次插值。
6.3 圖像增強
圖像增強就是采用一定的方法對圖像的某些特征進行調整，以突出圖像中的某些感興趣信息，同時抑制或去除不需要的信息來提高圖像質量。它的主要目的是改變圖像的灰度等級，提高對比度；消除邊緣噪聲，平滑圖像；突出邊緣及圖像主要信息，銳化圖像、壓縮數據量等。圖像增強主要方法根據處理空間的不同，分為空間域方法和頻率域方法兩大類?？臻g域增強主要是通過改變像元及相鄰像元的灰度值達到增強的目的。而頻率域增強則是通過對圖像進行傅里葉變換后改變頻域圖像的頻譜來達到圖像增強的目的。此外，根據圖像處理的范圍又可以將增強處理技術分為全局處理和局部處理兩種。
7、結束語
我國電力行業的不斷發展，和停電機會的不斷減少?，F代化的電力設備停電檢修試驗的機會越來越少。電力設備的檢修試驗也從原來的傳統試驗逐步的轉型為現在的不停電檢修試驗。由于現在的狀態監測與傳統試驗相比不具有破壞性或破壞性較小和不停電等優點?，F在的電力設備狀態監測試驗也將逐步取代于傳統的試驗，為未來的電力發展和可靠的安全供電提供有力的技術保障。電力設備的狀態監測也將必然成為未來電力電網試驗發展的主導方向。社會經濟的飛速發展，科學技術的突飛猛進，電力設備檢測的范圍，設備與技術也在與時俱進。一套設備的“健康指數”包括其電氣特性和機械特性兩部分內容組成；而無法得到電力設備在通電運行中的電氣特性的“健康數值”這一難題，一直困擾電力用戶多年。全新的狀態監測技術的出現解決了這一難題。不僅擴展了電力設備檢測的概念，而且填補了電力設備檢測領域的盲點。常規停電檢測技術和狀態監測技術相輔相承，為電力設備的可靠運行提供全方位的數據支持。
參考文獻：
[1] 龔超,羅毅,涂光瑜.計算機視覺技術及其在電力系統自動化中的應用[J]. 電力系統自動化. 2003。
